下面通过一组实例方法教大家哦~
问题描述
一个名为Robby的机器人生活在一个充满垃圾的二维网格世界中，周围有4堵墙（如下图所示）。这个项目的目标是发展一个控制策略，使他能够有效地捡垃圾，而不是撞墙。
问题图片所示：
涉及方法
任何GA的优化步骤如下：
l 生成问题初始随机解的“种群”
l 个体的“拟合度”是根据它解决问题的程度来评估的
l 最合适的解决方案进行“繁殖”并将“遗传”物质传递给下一代的后代
l 重复第2步和第3步，直到我们得到一组优化的解决方案、
应用的遗传算法代码展示：
在下面的代码中，我们生成一个初始的机器人种群，让自然选择来运行它的过程。我应该提到的是，当然有更快的方法来实现这个算法（例如利用并行化）。
# 初始种群
pop = [Robot() for x in range(pop_size)]
results = []
# 执行进化
for i in tqdm(range(num_gen)):
scores = np.zeros(pop_size)
# 遍历所有机器人
for idx, rob in enumerate(pop):
# 运行垃圾收集模拟并计算拟合度
score = rob.simulate(iter_per_sim, moves_per_iter)
scores[idx] = score
results.append([scores.mean(),scores.max()]) # 保存每一代的平均值和值
best_robot = pop[scores.argmax()] # 保存最好的机器人
# 限制那些能够交配的机器人的数量
inds = np.argpartition(scores, -num_breeders)[-num_breeders:] # 基于拟合度得到顶级机器人的索引
subpop = []
for idx in inds:
subpop.append(pop[idx])
scores = scores[inds]
# 平方并标准化
norm_scores = (scores - scores.min()) ** 2
norm_scores = norm_scores / norm_scores.sum()
# 创造下一代机器人
new_pop = []
for child in range(pop_size):
# 选择拟合度优秀的父母
p1, p2 = np.random.choice(subpop, p=norm_scores, size=2, replace=False)
new_pop.append(Robot(p1.dna, p2.dna))
pop = new_pop效果展示：
根据以上内容，大家也可以清晰看到，使用遗传算法去做优化的神奇内容，不仅是可以面对冰冷的代码组，还是以上偏生物的内容，使用遗传算法统统可以实现，大家如果感兴趣的话，不妨也试试哈~
